英语原文共 144 页，剩余内容已隐藏，支付完成后下载完整资料
外文翻译
佛罗里达州立大学工程学院
耦合子空间变异分析和主成分分析:
计算机视觉应用程序
理查德·a·纳尔逊著
一篇提交给电子和计算机工程系
在要求的部分llment科学的硕士学位论文
鸣 谢
我要感谢我的专业教授,罗德尼·罗伯茨博士,他所有的指导和鼓励。他的见解,数学创造力,和热情讨论极具价值。我也要感谢西蒙Foo博士,博士伦纳德东担任评委会成员和他们的付出和指导方向。我也感谢我的家人在我的研究的支持。
目 录
- 简介 ······························1
1.1论文的目的 ··························2
1.1.1虹膜图像数据库·······················2
1.1.2论文组织··························3
1.2生物识别系统概述·······················4
1.2.1虹膜物理特征的简要概述··················6
1.3生物识别虹膜图像在身份识别中的应用··············7
1.3.1虹膜图像识别的概述····················8
1.3.2虹膜图像采集·······················10
1.3.3虹膜图像分割和归一化···················11
1.3.4虹膜图像预处理······················13
1.3.5虹膜图像特征提取和分类··················13
1.4现有的虹膜识别方法的研究···················15
1.4.1多歌曼系统························16
1.4.2王尔德系统························18
1.4.3其他的虹膜识别方法····················19
1.5总结·····························20
2主成分分析(PCA)、PCA变异和耦合的子空间分析(CSA
2.1图像矩阵···························22
2.2传统的主成因分析······················24
2.2.1主成因分析在图像论述··················27
2.2.2对图像数据进行主成分分析················29
2.3二维主成因分析······················30
2.3.1列二维主成分分析为基础················31
2.4双向二维主成分分析(双边)·················32
2.4.1价值双向二维主成分分析:并行的方法···········35
2.4.2价值双向二维主成分分析:串行方法············37
2.5迭代双向或双边PCA····················42
2.6耦合子空间分析:PCA变异的泛化··············43
2.6.1重建误差和优化子空间预测···············45
2.6.2迭代计算方法优化子空间及相关证明···········46
2.7PCA的统一视图变体CSA的特殊情况············48
2.7.1 双向PCA CSA的一个特例···············50
2.7.2二维主成因在CSA的特例···············51
2.7.3传统的PCA CSA的一例 ···············52
3虹膜图像识别实现·······················52
3.1虹膜图像数据库······················54
3.2虹膜图像预处理的实现···················56
3.2.1定位··························57
3.2.2归一化·························58
3.2.3归一化图像的预处理···················60
3.3特征提取和论述······················62
3.3.1欧式距离在1NN面前··················63
3.4一个单独的测试图像的旋转版本···············65
3.5多个测试(探针)图像····················67
3.6总结···························69
4虹膜图像识别:测试和结果···················70
4.1测试模式:闭集形式相同的·················72
4.2预处理技术总结······················73
4.3虹膜图像一致格阳离子···················74
4.3.1主成分数························76
4.3.2单个和多个实例测试图像·················77
4.3.3每个类的训练图片数量··················78
4.3.4迭代B2DPCA矩阵初始化(CSA)··············80
4.3.5顶级关键结果的总结···················82
4.3.6传统的PCA:结果与单独的测试图片,使用多个旋转测试图像··83
4.3.7基于二维主成分分析(列):结果与单独的测试图像,并利用Mul -
tiple旋转测试图像。··················85
4.3.8基于二维主成分分析(行):结果与单独的测试图片,使用多个旋转测试图像··88
4.3.9 双向二维主成分分析(并行):结果与单独的测试图片,使用多个旋转测试图 像································90
4.3.10双向二维主成分分析(系列):结果与单独的测试图片,使用多个旋转测试图像································92
4.3.11CSA:迭代Bi2DPCA初始化(U):结果与单独的测试图片,和使用多个旋转测试
图像·························94
4.3.12CSA:迭代Bi2DPCA初始化(V):结果与单独的测试图片和使用多个旋转测试图
像···························96
5. 分析、未来的工作和结论····················97
5.2相关应用程序·······················98
5.2.1优点和缺点的PCA变体·················99
5.3未来的工作························101
5.3.1预处理·························103
5.3.2图像归一化·······················105
5.3.3距离准则························107
5.4结论···························108
附录
一个相关的数据
A1弗罗贝尼乌斯矩阵之间的距离”,矩阵规范和其他规范
A1.1弗罗贝尼乌斯标准
A2矩阵的迹
A2.1循环的痕迹
A2.2弗罗贝尼乌斯范数和矩阵跟踪。
A3正交矩阵
A3.1弗罗贝尼乌斯规范不变性在旋转
A4 Orthogonal放映汇总表
A5 奇异值分解
A6 在第二章中定理用于耦合子空间分析证明
A7基于形态学的滤波算法
A7.1形态学膨胀和腐蚀操作
A7.2形态学开白色大礼帽过滤
摘 要
在涉及高维数据的许多应用中，可以在特征提取中使用某些子空间技术，例如主成分分析（PCA）。通常，PCA可以降低维度，同时保留原始数据的大部分重要信息。这不仅可以有助于表示数据更紧凑（压缩），而且可以将数据转换为更有用的形式，用于涉及特征提取和分类的应用。 PCA的最新发展将常规主成分分析扩展到PCA的较新变体，这在PCA和图像应用中显得特别有用：（1）二维PCA（\ 2D PCA“）和（2）双向或双向二维PCA（\ B2DPCA“，\ Bi2DPCA”或\（2D）2 PCA“）。后一类包括作为耦合子空间分析或\ CSA的示例的迭代版本;非迭代版本称为投影Bi2DPCA，在本论文中，这些PCA变体被认为是更一般的CSA的特殊情况，理论上2D PCA和双向PCA与传统PCA相比的优点应源于以下事实：图像像素之间的空间关系的显着信息可能在常规PCA中丢弃，因为图像由大列向量表示，而2D PCA和双向PCA技术可以通过将图像表示为矩阵而不是长向量来保存更多的信息，小样本量和维度诅咒的问题也在一定程度上得到缓解，特别是在B2DPCA和迭代CSA的情况下，其中一些PCA变体近来已经在各种图像识别应用中被提出，包括使用虹膜纹理，面部图像的生物识别s和掌纹，以及基于木纹纹理的木材种类分类等等。因此，虽然对诸如使用Gabor小波或类似技术的特征提取方法已经非常重视诸如虹膜识别的某些应用，但是一些子空间技术（包括这些PCA变体中的一些）已经显示出与图像预处理相结合的希望去除不均匀背景照明和对比度增强的技术。
在本论文中，选择生物识别虹膜识别的图像应用是评估这些较新PCA变体（包括CSA）在特征提取和分类背景下的潜在优势的手段。这些图像的丰富的纹理信息和有效的图像配准技术的使用产生了非常适合于此目的的图像。作为本论文的主要焦点是使用闭集识别测试模式对这些PCA变体进行评估，并使用欧几里得距离单最近邻分类器进行比较;图像使用顶帽输入和对比度限制自适应直方图均衡（CLAHE）进行预处理。考虑使用多个测试（探针）图像，并且对于训练具有2,3和4个样本图像的图像集合也考虑对性能的影响。同时，详细论述了虹膜图像识别的应用。最后一节讨论了这些PCA变体和预处理技术可能有益的其他应用。
第 一 章
介 绍
工程应用中的分类问题众多。在计算机视觉的上下文中，许多应用需要将未知类或身份的给定图像与具有已知类或身份的一组图像进行比较，其主要目的是识别未知图像的类或身份如果匹配可以在已知图像集中找到，同时正确识别不匹配发生的情况。这些不同计算机视觉应用的示例包括使用虹膜纹理的生物识别，地形的识别，织物或其他材料的分类以及基于木纹的木材鉴定。在本论文中，基于纹理的分类问题被考虑用于虹膜识别的生物特征应用。
虽然在使用Gabor小波[1]或类似技术的虹膜识别中特征提取方法已经非常重视，但一些子空间方法已经显示出有希望的虹膜识别结果[2]，[3]。子空间方法包括线性偏移分析（LDA）和主成分分析（PCA）[4]，[5]以及独立成分分析（ICA）和局部保留投影（LPP）方法[4]等等。子空间方法如PCA，PCA变体和LDA已经成功应用于人脸识别[4]，掌纹识别[6]，虹膜识别[2]，以及生物识别应用之外的图像识别应用，如木材识别[7]。使用子空间方法PCA的相对最近的发展将传统的主成分分析扩展到PCA的较新变体：（1）二维PCA（\ 2D PCA“），以及（2）双向或双向二维PCA（\ B2DPCA“，\ Bi2DPCA”或\（2D）2 PCA“）二维PCA包括基于行和列的版本，双向或双边2D PCA包括迭代版本，它是耦合子空间分析或\ CSA“的示例，以及称为投影Bi2DPCA的非迭代版本[8]。
2D P
全文共8679字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[142714]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
